[发明专利]基于特征非负矩阵分解的交通数据恢复和异常值检测方法

说明书

本发明涉及数据恢复及异常检测技术，揭露了一种基于特征非负矩阵分解的交通数据恢复和异常值检测方法，包括：获取道路交通状态及对应的交通时间段，根据道路交通状态及交通时间段生成交通矩阵；对交通矩阵的秩进行求解，得到矩阵秩；根据矩阵秩对交通矩阵进行矩阵约束，得到约束矩阵；基于约束矩阵及交通矩阵对预构建的交通数据处理模型中的模型参数进行求解，得到优化矩阵；获取待分析交通数据，利用优化矩阵对待分析交通数据进行性能评估，得到数据空间分布及模式规律。本发明通过约束矩阵及交通矩阵生成优化矩阵，利用优化矩阵进行交通数据恢复及异常值检测，能够提高交通数据进行恢复时的精度及异常值检测时的准确性。

技术领域

本发明涉及数据恢复及异常检测技术领域，尤其涉及一种基于特征非负矩阵分解的交通数据恢复和异常值检测方法。

背景技术

交通数据分析的目的之一是从大量的交通数据中提取出道路网络的变化规律，从而优化交通管理、提高人们的出行效率，随着交通网络中分布式传感器系统的快速发展，交通服务部门收集了丰富的实时交通状态数据，然而，目前这些交通数据普遍存在体量大、异常值多、部分数据缺失等特点，给大规模的道路网络数据分析带来了挑战。

非负矩阵分解是一种高效的特征提取和数据降维方法，针对一些交通数据分析的情况来说，非负矩阵分解方法可以很好地实现数据降维、特征提取、异常检测、交通流预测等功能，但现有的基于非负矩阵分解的交通数据分析模型仍存在以下不足：一是只考虑交通数据的全局特征，并未兼顾潜在的局部特征，这会导致交通数据恢复精度较低；二是在无噪声或高斯噪声假设的基础上进行处理，然而，对于实际交通状态数据中的异常值往往难以避免，这会导致大多数方法在实际场景中效果欠佳，交通状态数据中异常值检测的准确性不高；三是使用L1范数来分离提取异常数据，这相当于假设所有异常值服从拉普拉斯分布，不太符合实际情况，并且基于L1范数的方法只能对模型的稀疏度进行间接调整，缺乏对生成模型稀疏度的直接控制；四是基于非负矩阵分解的交通数据恢复模型往往通过反复试验来人为地选择因子矩阵的秩，从而导致数据处理的效率不高。综上，现存技术中存在交通数据进行恢复时的精度较低及异常值检测时的准确性不高的问题。

发明内容

本发明提供一种基于特征非负矩阵分解的交通数据恢复和异常值检测方法，其主要目的在于解决交通数据进行恢复时的精度较低及异常值检测时的准确性不高的问题。

为实现上述目的，本发明提供的一种基于特征非负矩阵分解的交通数据恢复和异常值检测方法，包括：获取道路交通状态及对应的交通时间段，根据道路交通状态及交通时间段生成交通矩阵；对交通矩阵的秩进行求解，得到矩阵秩；根据矩阵秩对交通矩阵进行矩阵约束，得到约束矩阵；基于约束矩阵及交通矩阵对预构建的交通数据处理模型中的模型参数进行求解，得到优化矩阵；获取待分析交通数据，利用优化矩阵对待分析交通数据进行性能评估，得到数据空间分布及模式规律。

本发明还提供一种基于特征非负矩阵分解的交通数据恢复和异常值检测装置，包括：数据收集和处理模块，用于获取道路交通状态及对应的交通时间段，根据道路交通状态及交通时间段生成交通矩阵；自适应秩选择模块，用于对交通矩阵的秩进行求解，得到矩阵秩；基于L0范数的非负矩阵分解模块，用于根据矩阵秩对交通矩阵进行矩阵约束，得到约束矩阵；针对L0范数最小化问题的模型求解模块，用于基于约束矩阵及交通矩阵对预构建的交通数据处理模型中的模型参数进行求解，得到优化矩阵；应用模块，用于获取待分析交通数据，利用优化矩阵对待分析交通数据进行性能评估，得到数据空间分布及模式规律。